Sítios Selecionados

Figura A2 1

Figura A2 1 Sítios selecionados na base de dados TreeCo. a) latitude e longitude das coordenadas centrais dos inventários florestais. b) boxplot de variáveis dos inventários: área da parcela, número de indivíduos amostrado, riqueza de espécies observado, e ano da amostragem ou da publicação. c) Classificação do estado de conservação ou sucessional da área amostrada no inventário: primary (floresta primária, não-alterada, primitiva, old-growth (≥80 anos de sucessão) ); primary/secondary (floresta em estágio avançado de sucessão (50 a 80 anos de sucessão)); secondary (floresta secundária, alterada, em estágio médio de regeneração (20 a 50 anos de sucessão)); capoeira (floresta em estado inicial de sucessão (<20 anos de sucessão)).

Contrastes - Taxa U

Nas paisagens com pouco habitat o padrão médio é similar ao esperado em paisagens infinitas sem perda de habitat (Apêndice 1): um patamar baixo de valores médios em graus de limitação de dispersão severos; aumento brusco para um novo patamar em graus de limitação de dispersão menos severos; seguido por redução da taxa U com o aumento da capacidade de dispersão para graus brandos de limitação de dispersão (Figura A2 2 e 3). A variabilidade entre réplicas pode aumentar nos graus de limitação de dispersão pouco severos (Figura A2 2), onde há o patamar superior de valores da taxa U nas paisagens sem perda de habitat (Figura A2 2 e 3).

Figura A2 2

Figura A2 2 Gráficos exploratórios da taxa U estimada e dos contrastes calculados. No painel da esquerda superior, coeficiente de variação da taxa U estimada por MNEE. Cada ponto representa uma bateria de simulação com 10 réplicas cada; no eixo x há a média da taxa U e no eixo y o correspondente desvio padrão. Todas as retas passam pela origem, em preto a reta com inclinação de 1, em verde a com inclinação de 0.1, e em vermelho com inclinaçãao de 0.01. A maior parte dos pontos tem coeficiente de inclinação entre 10% e 1%. Nos paineis da direita superior e da linha de baixo há os gráficos exploratórios dos contrastes, respectivamente: boxplots dos contrastes calculados, gráfico de dispersão dos contrastes de fragmentação per se e área per se, e o contraste contemporâneo em função de p e colorido por k.

Figura A2 3

Figura A2 3 Taxa U estimada em cada sítio nos 20 graus de limitação de dispersão simulados. Os sítios estão organizados pela pela proporção de cobertura vegetal

Figura A2 4

Figura A2 4 Gráficos explotários dos contraste

Avaliação GAMM 1

Os GAMM utilizaram a cubic regression spline como função base nos splines simples e nos tensores entre as variáveis preditoras (Janela de código 1). A estrutura aleatória do GAMM foi específica de modo que há um intercepto e spline de k por inventário florestal (Janela de código 1), com os splines de k por inventário florestal compartilhando um mesmo parâmetro de penalização (veja @Pedersen2019).

Janela de código 1 GAMM usado para ajustar os contrastes

f_gam <- function(df){
  gam(value ~
        s(k_z,bs = "cr") + s(p_z,bs = "cr") +
            ti(p_z,k_z) +
            s(k_z, SiteCode, bs="fs",xt=list(bs="cr")) + 
            s(SiteCode,bs="re"),
            data=df,method = "REML")
}

Janela de output R console 1 Validação dos GAMMs usados para descrever os contrastes da taxa U

## [1] "Var. resposta: efeito area"
## [1] "k.check:"
##                   k'        edf   k-index p-value
## s(k_z)             9   7.413600 0.8941608  0.0000
## s(p_z)             9   5.622889 1.1424476  1.0000
## ti(p_z,k_z)       16  14.961510 1.0047391  0.5825
## s(k_z,SiteCode) 1070 337.035140 0.8941608  0.0000
## s(SiteCode)      107  92.588654        NA      NA
## [1] "summary:"
## 
## Family: gaussian 
## Link function: identity 
## 
## Formula:
## value ~ s(k_z, bs = "cr") + s(p_z, bs = "cr") + ti(p_z, k_z) + 
##     s(k_z, SiteCode, bs = "fs", xt = list(bs = "cr")) + s(SiteCode, 
##     bs = "re")
## 
## Parametric coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  0.08133    0.00454   17.91   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Approximate significance of smooth terms:
##                     edf   Ref.df      F p-value    
## s(k_z)            7.414    8.318 72.979  <2e-16 ***
## s(p_z)            5.623    5.700 91.075  <2e-16 ***
## ti(p_z,k_z)      14.962   15.199 57.401  <2e-16 ***
## s(k_z,SiteCode) 337.035 1066.000  9.181  <2e-16 ***
## s(SiteCode)      92.589  105.000 11.271  <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## R-sq.(adj) =  0.951   Deviance explained = 96.2%
## -REML = -3056.3  Scale est. = 0.0018896  n = 2140
## [1] "gratia::appraise:"

## [1] "gratia::draw:"

## [1] "Var. resposta: efeito conf"
## [1] "k.check:"
##                   k'        edf  k-index p-value
## s(k_z)             9   7.448122 0.994416  0.3975
## s(p_z)             9   1.388721 1.218644  1.0000
## ti(p_z,k_z)       16   4.815110 1.025527  0.8600
## s(k_z,SiteCode) 1070 472.003514 0.994416  0.4000
## s(SiteCode)      107 101.985658       NA      NA
## [1] "summary:"
## 
## Family: gaussian 
## Link function: identity 
## 
## Formula:
## value ~ s(k_z, bs = "cr") + s(p_z, bs = "cr") + ti(p_z, k_z) + 
##     s(k_z, SiteCode, bs = "fs", xt = list(bs = "cr")) + s(SiteCode, 
##     bs = "re")
## 
## Parametric coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  0.27693    0.01928   14.37   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Approximate significance of smooth terms:
##                     edf   Ref.df      F p-value    
## s(k_z)            7.448    8.244  24.24  <2e-16 ***
## s(p_z)            1.389    1.396 123.84  <2e-16 ***
## ti(p_z,k_z)       4.815    4.990  29.39  <2e-16 ***
## s(k_z,SiteCode) 472.004 1066.000 218.66  <2e-16 ***
## s(SiteCode)     101.986  105.000  38.28  <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## R-sq.(adj) =  0.973   Deviance explained = 98.1%
## -REML = -1141.8  Scale est. = 0.0083167  n = 2140
## [1] "gratia::appraise:"

## [1] "gratia::draw:"

## [1] "Var. resposta: efeito frag"
## [1] "k.check:"
##                   k'        edf  k-index p-value
## s(k_z)             9   6.892299 1.059090  0.9950
## s(p_z)             9   1.000562 1.227261  1.0000
## ti(p_z,k_z)       16   4.289023 1.047488  0.9650
## s(k_z,SiteCode) 1070 503.768234 1.059090  0.9975
## s(SiteCode)      107 103.040964       NA      NA
## [1] "summary:"
## 
## Family: gaussian 
## Link function: identity 
## 
## Formula:
## value ~ s(k_z, bs = "cr") + s(p_z, bs = "cr") + ti(p_z, k_z) + 
##     s(k_z, SiteCode, bs = "fs", xt = list(bs = "cr")) + s(SiteCode, 
##     bs = "re")
## 
## Parametric coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  0.19560    0.01823   10.73   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Approximate significance of smooth terms:
##                     edf   Ref.df      F p-value    
## s(k_z)            6.892    7.754  11.63  <2e-16 ***
## s(p_z)            1.001    1.001  75.63  <2e-16 ***
## ti(p_z,k_z)       4.289    4.458  10.49  <2e-16 ***
## s(k_z,SiteCode) 503.768 1066.000 509.44  <2e-16 ***
## s(SiteCode)     103.041  105.000  53.16  <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## R-sq.(adj) =  0.974   Deviance explained = 98.1%
## -REML = -1586.1  Scale est. = 0.0050262  n = 2140
## [1] "gratia::appraise:"

## [1] "gratia::draw:"

O GAMM do contraste de área apresenta o melhor ajuste entre os GAMMs para os 3 contrastes. O spline indivídual para a variável p apresenta a melhor estimativa do efeito parcial médio, com o desvio padrão sendo mais uniforme ao longo da estimativa do efeito parcial médio (gráfico ‘s(p_z)’ no output da função ‘gratia::draw’; e outputs das funções ‘mgcv::k.check’ e ‘mgcv::summary’). Os splines indivíduos para a variável p nos GAMMs dos outros dois contrastes (contemporâneo e fragmentação per se) apresentam estimativa do efeito médio que tendem à uma reta ; o ajuste do GAMM para o contraste de contemporaneidade parece ser mais adequado do que o fragmentação per se, pois o desvio padrão ao redor da estimativa de efeito médio é mais uniforme ao longo do gradiente da preditora (gráfico ‘s(p_z)’ do output da função ‘gratia::draw’). Os 3 GAMMs não fazem um bom ajuste de valores extremos dos contrastes (output da função ‘gratia:appraise - QQplot of residuals’), o quê explica a melhor qualidade do GAMM para o contraste de área per se. O deviance explained dos GAMMs foram 96.2%, 98.1% e 98.1% para os contrastes de área, contemporaneidade e fragmentação per se, respectivamente. As estimativas de efeitos médios dos splines da variável k de cada inventário florestal podem apresentar variação qualitativa do padrão dos efeitos médios do spline geral para a variável k ou do tensor entre a variável k e a variável p (output da função ‘gratia::draw’).

Congruência com a SAD observada

Erro na Riqueza Estimada

Figura A2 5 Gráficos Exploratórios geom_smoother(method=“gam”)

Figura A2 6 Gráficos diagnósticos do pacote DHARMa para o modelo mais plausível para descrever o erro na riqueza estimada

Janela de output R console 4 sumário do modelo mais plausível para descrever o erro na riqueza estimada

## Linear mixed model fit by REML ['lmerMod']
## Formula: diffS ~ land_hyp * p + (1 | SiteCode)
##    Data: df_md
## 
## REML criterion at convergence: -35553
## 
## Scaled residuals: 
##     Min      1Q  Median      3Q     Max 
## -6.7457 -0.6278 -0.0252  0.6179  4.5786 
## 
## Random effects:
##  Groups   Name        Variance  Std.Dev.
##  SiteCode (Intercept) 7.115e-06 0.002667
##  Residual             2.239e-04 0.014962
## Number of obs: 6420, groups:  SiteCode, 107
## 
## Fixed effects:
##                      Estimate Std. Error t value
## (Intercept)        -0.0051098  0.0008413  -6.074
## land_hypideal       0.0160866  0.0009302  17.293
## land_hypnon_frag    0.0171015  0.0009302  18.384
## p                   0.0026883  0.0012736   2.111
## land_hypideal:p    -0.0089133  0.0014083  -6.329
## land_hypnon_frag:p -0.0090804  0.0014083  -6.448
## 
## Correlation of Fixed Effects:
##             (Intr) lnd_hy lnd_h_ p      lnd_h:
## land_hypidl -0.553                            
## lnd_hypnn_f -0.553  0.500                     
## p           -0.871  0.481  0.481              
## lnd_hypdl:p  0.481 -0.871 -0.435 -0.553       
## lnd_hypnn_:  0.481 -0.435 -0.871 -0.553  0.500

Pr(Cong)

O único modelo plausível foi aquele com splines na estrutura fixa os contrastes de área e frag.

O resultado da função ‘mgcv::k.test’ sugere que pode ser adequado aumentar o número de funções base para construir os splines indivíduais. Todos os splines são considerados uma descrição mais adequada dos dados do que um intercepto simples por preditora. Os resíduos quantílicos e teste de outliers indicam que há desvios dos pressupostos do modelo binomial proposto, com observações consideradas outliers. Considerando apenas a relação entre predito e observado, o modelo apresenta ajuste razoável, com estimativas razoáveis dos efeitos parciais médio para todos os splines individuais na estrutura aleatória, exceto para o spline de k em paisagens contemporâneas, onde o efeito parcial tende à uma reta com o erro na esimativa aumentando linearmente nos extremos do gradiente da preditora. Uma vez que o modelo faz predições razoáveis, a interpretação dos resultados usando um intervalo de predição a posteriori será feita com esse modelo mais plausível.